第四节 实证结果及分析

一 描述性统计分析

本章测算了模型中所涉及变量的均值、标准差以及变量之间的相关系数，结果如表5-2所示。具体而言，企业年龄的均值为2.96，标准差为1.54；企业规模的均值为3.69，标准差为2.13；所有权的均值为1.26，标准差为0.44；商业智能的均值为2.65，标准差为0.70；市场资本化敏捷性的均值为2.92，标准差为0.72；运营调整敏捷性的均值为2.94，标准差为0.76；文化距离的均值为3.39，标准差为0.58；学习速度与承诺速度的均值为0.88，标准差为0.22；合法化速度的均值为2.97，标准差为1.14。从相关系数上来看，企业年龄与企业规模呈正相关关系，相关系数为0.15；企业年龄与市场资本化敏捷性呈负相关关系，相关系数为-0.17；企业所有权与市场资本化敏捷性呈负相关关系，相关系数为-0.13；商业智能与市场资本化敏捷性呈正相关关系，相关系数为0.28；商业智能与运营调整敏捷性呈正相关关系，相关系数为0.29；商业智能和学习速度与承诺速度呈正相关关系，相关系数为0.15；市场资本化敏捷性与运营调整敏捷性呈正相关关系，相关系数为0.70；市场资本化敏捷性和学习速度与承诺速度呈正相关关系，相关系数为0.28；市场资本化敏捷性与合法化速度呈正相关关系，相关系数为0.23；运营调整敏捷性和学习速度与承诺速度呈正相关关系，相关系数为0.25；运营调整敏捷性与合法化速度呈正相关关系，相关系数为0.22；学习速度与承诺速度和合法化速度之间呈正相关关系，相关系数为0.80。

表5-2 样本均值、标准差与相关系数

二 假设检验

为检验本研究所提出的上述假设，本书运用SPSS进行了一系列回归检验，回归系数与相关结果在表5-3、表5-4中列示。表5-3检验的是控制变量（企业年龄、企业规模、企业所有权）、自变量（商业智能）、中介变量（市场资本化敏捷性、运营调整敏捷性）、调节变量（文化距离）与因变量（学习速度与承诺速度）之间的回归。

首先，本研究将学习速度与承诺速度设定为因变量，对企业年龄、企业规模、企业所有权这三个控制变量进行回归，回归结果如模型5，从模型5中可以看出控制变量对学习速度与承诺速度之间没有显著的影响；随后，在第一步的基础上，本章将商业智能放入回归系统检验，回归结果如模型6，商业智能对学习速度与承诺速度有显著的正向影响（r=0.05，p＜0.5），假设H1a成立。

其次，本章检验市场资本化敏捷性与运营调整敏捷性的中介效应。根据Baron和Kenny（1986）的研究，当满足下述4个条件时，存在完全中介效应：①自变量（商业智能）对中介变量（市场资本化敏捷性、运营调整敏捷性）有显著的影响；②自变量（商业智能）对因变量（学习速度与承诺速度）有显著的影响；③中介变量（市场资本化敏捷性、运营调整敏捷性）对因变量（学习速度与承诺速度）有显著的影响；④当加入中介变量（市场资本化敏捷性、运营调整敏捷性）后，自变量（商业智能）对因变量（学习速度与承诺速度）无显著影响。

表5-3 学习速度与承诺速度的假设检验

表5-4 合法化速度的假设检验

H2a假定市场资本化敏捷性在商业智能与学习速度与承诺速度之间发挥中介作用。为检验该假设，第一，检查控制变量对市场资本化敏捷性的作用，结果如模型1，发现企业年龄负向作用于市场资本化敏捷性（r=-0.07，p＜0.05）；第二，将商业智能放入回归模型得到模型2，发现商业智能正向作用于市场资本化敏捷性（r=0.30，p＜0.01）；第三，将学习速度与承诺速度设定为因变量，单独放入市场资本化敏捷性得到模型7，发现市场资本化敏捷性正向作用于学习速度与承诺速度（r=0.09，p＜0.01）；第四，将商业智能与市场资本化敏捷性同时放入回归检验得到模型9，发现商业智能对学习速度与承诺速度无影响（r=0.03，p＞0.05），市场资本化敏捷性正向作用于学习速度与承诺速度（r=0.08，p＜0.01），假设H2a成立。

同理，本章对H2b进行检验。第一，先检查控制变量对运营调整敏捷性的作用，结果如模型3，发现控制变量对运营调整敏捷性无影响；第二，将商业智能放入回归模型得到模型4，发现商业智能正向作用于运营调整敏捷性（r=0.33，p＜0.01）；第三，将学习速度与承诺速度设定为因变量，单独放入运营调整敏捷性得到模型8，发现运营调整敏捷性正向作用于学习速度与承诺速度（r=0.08，p＜0.01）；第四，将商业智能与运营调整敏捷性同时放入回归检验得到模型10，发现商业智能对学习速度与承诺速度无影响（r=0.03，p＞0.05），运营调整敏捷性正向作用于学习速度与承诺速度（r=0.07，p＜0.01），假设H2b成立。即H2成立。

最后，本章检验了文化距离的调节作用（H4a、H4b）。在检验调节效应时，本研究对商业智能、市场资本化敏捷性、运营调整敏捷性进行了标准化处理以最小化多重共线性（Aiken & West，1991），然后分别将商业智能与市场资本化敏捷性的乘积项、商业智能与运营调整敏捷性的乘积项纳入回归，结果如模型11、模型12所示。从模型11、模型12中可以看出，文化距离负向调节市场资本化敏捷性与学习速度与承诺速度之间的正向关系（r=-0.03，p＜0.05）；文化距离负向调节运营调整敏捷性与学习速度与承诺速度之间的正向关系（r=-0.05，p＜0.01），假设H4a、H4b成立。

表5-4检验的是控制变量（企业年龄、企业规模、企业所有权）、自变量（商业智能）、中介变量（市场资本化敏捷性、运营调整敏捷性）、调节变量（文化距离）与因变量（合法化速度）之间的回归。

首先，为检验H1b，本研究将合法化速度设定为因变量，对企业年龄、企业规模、企业所有权这三个控制变量进行回归分析，回归结果如模型5，从模型5中可以看出控制变量与合法化速度之间没有显著的影响；随后，在第一步的基础上，本研究将商业智能放入回归系统检验，回归结果如模型6，商业智能对合法化速度有显著的正向影响（r=0.21，p＜0.05），假设H1b成立。

其次，本研究检验市场资本化敏捷性与运营调整敏捷性的中介效应。H3a假定市场资本化敏捷性在商业智能与合法化速度之间发挥中介作用。为检验该假设，第一，检查控制变量对市场资本化敏捷性的作用，结果如模型1，发现企业年龄负向作用于市场资本化敏捷性（r=-0.07，p＜0.05）；第二，将商业智能放入回归模型得到模型2，发现商业智能正向作用于市场资本化敏捷性（r=0.30，p＜0.01）；第三，将合法化速度设定为因变量，单独放入市场资本化敏捷性得到模型7，发现市场资本化敏捷性正向作用于合法化速度（r=0.39，p＜0.01）；第四，将商业智能与市场资本化敏捷性同时放入回归检验得到模型9，发现商业智能对合法化速度无影响（r=0.11，p＞0.05），市场资本化敏捷性正向作用于合法化速度（r=0.36，p＜0.01），假设H3a成立。

同理，本研究对H3b进行检验。第一，先检查控制变量对运营调整敏捷性的作用，结果如模型3，发现控制变量对运营调整敏捷性无影响；第二，将商业智能放入回归模型得到模型4，发现商业智能正向作用于运营调整敏捷性（r=0.33，p＜0.01）；第三，将合法化速度设定为因变量，单独放入运营调整敏捷性得到模型8，发现运营调整敏捷性正向作用于合法化速度（r=0.34，p＜0.01）；第四，将商业智能与运营调整敏捷性同时放入回归检验得到模型10，发现商业智能对合法化速度无影响（r=0.11，p＞0.05），运营调整敏捷性正向作用于合法化速度（r=0.31，p＜0.01），假设H3b成立。即H3成立。

最后，本章检验了文化距离的调节作用（H5a、H5b）。在检验调节效应时，本研究同样对商业智能、市场资本化敏捷性、运营调整敏捷性进行了标准化处理以最小化多重共线性（Aiken & West，1991），然后分别将商业智能与市场资本化敏捷性的乘积项、商业智能与运营调整敏捷性的乘积项纳入回归，结果如模型11、模型12所示。从模型11、模型12中可以看出，文化距离负向调节市场资本化敏捷性与合法化速度之间的正向关系（r=-0.16，p＜0.05）；文化距离负向调节运营调整敏捷性与合法化速度之间的正向关系（r=-0.23，p＜0.01），假设H5a、H5b成立。